python - 当字符串中存在非ASCII字符时，如何将C字符串(char数组)转换为Python字符串？

Question

我在 C 程序中嵌入了 Python 解释器。假设 C 程序从文件中读取一些字节到一个 char 数组中，并(以某种方式)了解到这些字节表示具有特定编码(例如 ISO 8859-1、Windows-1252 或 UTF-8)的文本。如何将此 char 数组的内容解码为 Python 字符串？

Python 字符串一般应为 unicode 类型——例如，Windows-1252 编码输入中的 0x93 变为 u'\u0201c'.

我曾尝试使用 PyString_Decode，但当字符串中包含非 ASCII 字符时，它总是会失败。这是一个失败的例子:

#include <Python.h>
#include <stdio.h>

int main(int argc, char *argv[])
{
     char c_string[] = { (char)0x93, 0 };
     PyObject *py_string;

     Py_Initialize();

     py_string = PyString_Decode(c_string, 1, "windows_1252", "replace");
     if (!py_string) {
          PyErr_Print();
          return 1;
     }
     return 0;
}

错误信息是UnicodeEncodeError: 'ascii' codec can't encode character u'\u201c' in position 0: ordinal not in range(128)，表示ascii即使我们在调用 PyString_Decode 时指定了 windows_1252，也会使用 编码。

以下代码通过使用 PyString_FromString 创建未解码字节的 Python 字符串，然后调用其 decode 方法来解决此问题:

#include <Python.h>
#include <stdio.h>

int main(int argc, char *argv[])
{
     char c_string[] = { (char)0x93, 0 };
     PyObject *raw, *decoded;

     Py_Initialize();

     raw = PyString_FromString(c_string);
     printf("Undecoded: ");
     PyObject_Print(raw, stdout, 0);
     printf("\n");
     decoded = PyObject_CallMethod(raw, "decode", "s", "windows_1252");
     Py_DECREF(raw);
     printf("Decoded: ");
     PyObject_Print(decoded, stdout, 0);
     printf("\n");
     return 0;
}

Answer 1

PyString_Decode 这样做:

PyObject *PyString_Decode(const char *s,
              Py_ssize_t size,
              const char *encoding,
              const char *errors)
{
    PyObject *v, *str;

    str = PyString_FromStringAndSize(s, size);
    if (str == NULL)
    return NULL;
    v = PyString_AsDecodedString(str, encoding, errors);
    Py_DECREF(str);
    return v;
}

IOW，它基本上完成了您在第二个示例中所做的工作 - 转换为字符串，然后解码该字符串。这里的问题来自 PyString_AsDecodedString，而不是 PyString_AsDecodedObject。 PyString_AsDecodedString 执行 PyString_AsDecodedObject，但随后尝试将生成的 unicode 对象转换为具有默认编码的字符串对象(对您来说，看起来像是 ASCII)。这就是它失败的地方。

我相信您需要执行两次调用 - 但您可以使用 PyString_AsDecodedObject 而不是调用 python“解码”方法。像这样的东西:

#include <Python.h>
#include <stdio.h>

int main(int argc, char *argv[])
{
     char c_string[] = { (char)0x93, 0 };
     PyObject *py_string, *py_unicode;

     Py_Initialize();

     py_string = PyString_FromStringAndSize(c_string, 1);
     if (!py_string) {
          PyErr_Print();
          return 1;
     }
     py_unicode = PyString_AsDecodedObject(py_string, "windows_1252", "replace");
     Py_DECREF(py_string);

     return 0;
}

我不完全确定 PyString_Decode 以这种方式工作背后的原因是什么。 very old thread on python-dev似乎表明它与链接输出有关，但由于 Python 方法不同，我不确定这是否仍然相关。